مدلسازی روند تغییرات پوشش/ کاربری اراضی با استفاده از زنجیره مارکوف و شبکه خودکار (مطالعه موردی استان همدان)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری محیط زیست، گروه علوم کشاورزی و منابع طبیعی، دانشگاه گرگان، ایران* (مسوول مکاتبات).

2 دانشیار گروه محیط زیست، دانشکده منابع طبیعی دانشگاه تهران، تهران، ایران.

3 دانشیار گروه جنگل‌داری و اقتصاد جنگل، دانشکده منابع طبیعی دانشگاه تهران. تهران، ایران.

4 کارشناس ارشد سنجش ازدور سازمان فضایی ایران.

چکیده

زمینه و هدف: میزان گسترش و تخریب منابع، با پیش­بینی تغییرات پوشش و کاربری سرزمین مشخص می‌شود و از این طریق می‌توان این تغییرات را در مسیرهای مناسب هدایت کرد. در این مطالعه، هدف مدل­سازی روند تغییرات پوشش/کاربری استان همدان با استفاده از تصویر ماهواره‌ای LANDSAT‌ سنجنده TM در سال 1989 میلادی و تصویر سنجنده LISS3 ماهواره IRS مربوط به سال 2008 میلادی است.
روش بررسی: پس از انجام تصحیحات لازم به روش طبقه بندی نظارت شده با الگوریتم حداکثر احتمال، نقشه کاربری- پوشش اراضی برای محدوده مورد مطالعه در طی دو سال مورد نظر تهیه گردید، سپس با استفاده از زنجیره مارکوف با توجه به دو نقشه کاربری- پوشش اراضــی بـه­دست آمده، ماتریس احتمال انتقال کاربری­ها به یکدیگر محاسبه شد. برای مکانی کردن این تغییرات از روش شبکه خودکار استفاده گردید.
یافته‌ها: در نهایت نقشه پوشش- اراضی استان همدان برای 19 سال بعد یعنی سال 1407 به­دست آمد و مساحت هریک از کاربری‌ها به تفکیک برآورد شد.
بحث و نتیجه‌گیری: نتایج نشان می‌دهند که طبقات پوشش کاربری اراضی طبیعی در آینده روند کاهشی خواهند داشت و به کاربری‌های انسانی تبدیل خواهند شد. با توجه به افزایش جمعیت و نیز افزایش نیاز انسان به زمین و نیز تمایل انسان به بهره برداری از طبیعت، وقوع چنین تبدیلاتی قابل تصور است، اما باید روند این تغییرات مورد توجه قرار بگیرد تا منابع طبیعی منطقه به شیوه پایدار مورد بهره برداری قرار گرفته و این تغییرات منجر به نتایج وخیمی نگردد. 

کلیدواژه‌ها


 

 

 

 

 

علوم و تکنولوژی محیط زیست، دورهنوزدهم، شماره یک، بهار 96

 

مدلسازی روند تغییرات پوشش/ کاربری اراضی با استفاده از زنجیره مارکوف و شبکه خودکار (مطالعه موردی استان همدان)

 

جلیل ایمانی هرسینی*[1]

Jalil.Imani@alumni.ut.ac.ir

محمد کابلی[2]

جهانگیر فقهی[3]

علی طاهرزاده[4]

تاریخ دریافت:22/3/94

تاریخ پذیرش:18/9/94

 

چکیده

زمینه و هدف: میزان گسترش و تخریب منابع، با پیش­بینی تغییرات پوشش و کاربری سرزمین مشخص می‌شود و از این طریق می‌توان این تغییرات را در مسیرهای مناسب هدایت کرد. در این مطالعه، هدف مدل­سازی روند تغییرات پوشش/کاربری استان همدان با استفاده از تصویر ماهواره‌ای LANDSAT‌ سنجنده TM در سال 1989 میلادی و تصویر سنجنده LISS3 ماهواره IRS مربوط به سال 2008 میلادی است.

روش بررسی: پس از انجام تصحیحات لازم به روش طبقه بندی نظارت شده با الگوریتم حداکثر احتمال، نقشه کاربری- پوشش اراضی برای محدوده مورد مطالعه در طی دو سال مورد نظر تهیه گردید، سپس با استفاده از زنجیره مارکوف با توجه به دو نقشه کاربری- پوشش اراضــی بـه­دست آمده، ماتریس احتمال انتقال کاربری­ها به یکدیگر محاسبه شد. برای مکانی کردن این تغییرات از روش شبکه خودکار استفاده گردید.

یافته‌ها: در نهایت نقشه پوشش- اراضی استان همدان برای 19 سال بعد یعنی سال 1407 به­دست آمد و مساحت هریک از کاربری‌ها به تفکیک برآورد شد.

بحث و نتیجه‌گیری: نتایج نشان می‌دهند که طبقات پوشش کاربری اراضی طبیعی در آینده روند کاهشی خواهند داشت و به کاربری‌های انسانی تبدیل خواهند شد. با توجه به افزایش جمعیت و نیز افزایش نیاز انسان به زمین و نیز تمایل انسان به بهره برداری از طبیعت، وقوع چنین تبدیلاتی قابل تصور است، اما باید روند این تغییرات مورد توجه قرار بگیرد تا منابع طبیعی منطقه به شیوه پایدار مورد بهره برداری قرار گرفته و این تغییرات منجر به نتایج وخیمی نگردد.

واژه‌های کلیدی: مدل­سازی، روند تغییر، زنجیره مارکوف، شبکه خودکار، استان همدان.

 

J.Env. Sci. Tech., Vol 19, No.1, spring, 2017

 

 

 

 


Land use / land cover change modelling using Markov chain and Cellular Automata(Case study: Hamedan province)

 

Jalil Imani Harsini*[5]

Jalil.Imani@alumni.ut.ac.ir

Mohammad kaboli[6]

Jahangir Feghhi[7]

Ali Taherzadeh[8]

 

Abstract

Background and Objective: The extent of spread and source degradation would be determined using prediction of land use/ land cover changes. In this way these changes would be guided in the right directions. The aim of this study is modeling the process of land use / land cover changes of Hamedan province using Landsat TM satellite image of 1989 and IRS LISS III image of 2008.

Method: After running the necessary corrections, land use/ land cover maps of the study area in the past two years were obtained using supervised classification with maximum likelihood algorithm. Then probability matrix of land use transition (to each other) were calculated using Markov chain with respect to land use/ land cover map. In the next step, Cellular Automata method was used to geo specified these changes.

Findings: Finally land use/ land cover map of Hamedan province for 19 years later (2024) was obtained and the area of each land use/ land cover was calculated.

Discussion and Counclusion: The results of this research shows that natural land use/ land covers will be decreased and transmited to human land uses in future. These changes are conceivable due to population growth and increasing human needs to exploit the nature; but this process should be considered to exploit the natural resources in a sustainable manner to avoid severe consequences in future.

 

Key words: Modelling, Change Process, Markov Chain, Cellular Automata, Hamedan Province

 

 

مقدمه


اکوسیستم­ها در سراسر جهان در هر دو مقیاس زمانی و مکانی در حال تغییر هستند و علت این تغییرات می‌تواند طبیعی، انسانی و یا ترکیبی از این دو باشد (1). تغییر در اکوسیستم­ها به عنوان تغییر در اجزای پوشش گیاهی (2) و یا به عنوان جابه­جایی مکانی و طیفی در طی زمان تعریف می­شود (3). تشخیص به موقع و دقیق تغییر ویژگی­های سطح زمین، پایه و اساس درک بهتر روابط و تعاملات بین انسان و پدیده­های طبیعی را فراهم می­کند و سبب مدیریت بهتر و استفاده بهینه از منابع می‌گردد (4). رشد سریع شهرهای دنیا فشار سنگینی بر سرزمین و منابع اطراف آن وارد کرده و در نهایت منجر به ایجاد مشکلات جدی اجتماعی و محیط‌زیستی در این نواحی می­شود. در بیشتر موارد این تغییرات سریع کاربری اراضی بدون درک روشن از اثرات آن اتفاق افتاده است. نمونه­ای از این نوع توسعه در شهر همدان به چشم می­خورد که طی دهه­های اخیر با توسعه محور حمل ونقل جاده ای و افزایش مطلوبیت­های اقتصادی و افزایش جمعیت در محدوده­ی خود رو به رو است.

سنجش از دور این امکان را فراهم می­آورد تا با بررسی روند تغییرات مکانی در گذشته بتوان روند تغییرات آینده کاربری – پوشش اراضی را پیش بینی نمود. مدل‌های تغییرات کاربری - پوشش اراضی ابزاری قدرت­مند هستند که می‌توانند برای درک و تجزیه و تحلیل ارتباطات مهم بین فرآیندهای اجتماعی و اقتصادی، با استراتژی‌های توسعه، کشاورزی و مدیریت منابع طبیعی مورد استفاده قرار گیرند و راه‌هایی را که این تغییرات، ساختار و عملکرد اکوسیستم را تحت تاثیر قرار می‌دهند، بررسی نماید (5). مدل­ها ابزار مناسبی برای ترجمان پیچیدگی فرآیندهای خارجی می­باشند. ازاین­رو از گذشته تاکنون، مدل­های مختلفی توسط محققان توسعه یافته است تا از طریق به­کارگیری این مدل­ها بتوان پیچیدگی، پویایی و روند توسعه کاربری­ها را شبیه­سازی نمود. در بین مدل‌های دینامیکی، مدل شبکه خودکار – مارکوف با تعیین احتمال تغییرات کاربری/ پوشش سرزمین در فرآیند زنجیره مارکوف و نیزشبیه‌سازی تغییرات مکانی آن از راه تعیین قوانین محلی با استفاده فیلتر مکانی سلول‌های خودکار و نقشه‌های شایستگی کاربری‌ها به مدل­سازی دینامیک تغییرات زمانی و مکانی کاربری/ پوشش سرزمین می‌پردازد. حجم زیاد و رو به افزایش تحقیقات نشان می‌دهد که شبکه خودکار یک ابزار مناسب برای مدل­سازی دینامیک مکانی است، دلیل استفاده از مدل شبکه‌های خودکار برای شبیه سازی رشد شهری، سادگی، انعطاف‌پذیری و برخورداری از قابلیت درک شهودی و شفافیت و مخصوصاً برخورداری از توانایی مواجه شدن با ابعاد مکانی و زمانی فرآیند توسعه شهری است (6).

تاکنون تلاش­های بسیاری در زمینه بررسی و کمی کردن تغییرات کاربری اراضی و توسعه پراکنده شهرها صورت گرفته است. به عنوان مثال سفیانیان و همکاران (7) با به­ کارگیری فنون سنجش از دور و سلول­های خودکار به بررسی توسعه پراکنده شهر اصفهان پرداختند. سروستانی و همکاران (8) نیز علاوه بر استفاده از فنون سنجش از دور و سامانه اطلاعات جغرافیایی از شاخص آنتروپی شانون برای بررسی توسعه پراکنده شهر شیراز و بررسی چگونگی روند تغییر کاربری اراضی استفاده کردند .شیخ گودرزی و همکاران (9) جهت بررسی آثار ناشی از توسعه شهر بر مطلوبیت پهنه‌های حفاظتی، از مدلی که مبتنی بر سلول­های خودکار است، استفاده کردند. بابایی اقدم و حسن‌زاده (10) نیز جهت مدلسازی تغییرات کاربری اراضی زراعی و بایر به سطوح ساخته شده در منطقه شهری اردبیل، از مدل CLUE-S[9] استفاده کردند.

در این مطالعه نیز هدف استفاده از داده­های حاصل از سنجش از دور، جهت پیش‌بینی روند تغییرات آینده برای طبقات پوشش – کاربری اراضی استان همدان می‌باشد، در ادامه روش دستیابی به این هدف به تفصیل بیان می‌شود.

 

 

مواد و روش­ها

معرفی منطقه مورد مطالعه

استان همدان در غرب ایران بین 32 درجه و 59 دقیقه تا 35 درجه و 48 دقیقه عرض شمالی و 47 درجه و 34 دقیقه تا 49 درجه و 36 دقیقه طول شرقی قرار گرفته­ است و بخشی از رشته کوه زاگرس میانی و فلات مرکزی ایران را شامل می­شود. استان همدان از لحاظ جمعیت، چهاردهمین و از لحاظ مساحت، بیست و سومین استان کشور محسوب می‌گردد. جمعیت آن بر پایه سرشماری سال ۱۳۸۵ بالغ بر ۱۷۰۳۲۶۷ نفر بوده است.

استان همدان از شمال به استان­های زنجان و قزوین، از شرق به استان مرکزی، از جنوب به استان لرستان و از غرب به استان­های کرمانشاه و کردستان محدود است. این استان وسعتی معادل 19590 کیلومتر مربع را شامل می­شود. براساس آخرین اطلاعات تقسیمات سیاسی کشور (1385)، این استان از 8 شهرستان تشکیل شده است (شکل 1).

 

 

 

شکل 1- موقعیت استان همدان

Figure 1- Geographic position of Hamedan province

 


روش کار


یکی از پرکاربرد­ترین مدل­ها در حیطه مدل­سازی تغییرات کاربری اراضی، مدل­هایی بر پایه شبکه­های خودکار است. رویکردی که در به­کارگیری این دسته از مدل­ها اتخاذ می­شود، موسوم به رویکرد پایین به بالا است. از ویژگی­های این مدل­ها، می­توان به سادگی آن­ها اشاره نمود. به­کمک مدل­های شبکه خودکار می­توان پویایی سیستم­های پیچیده را شناسایی نمود و در قالب قوانین ساده ارایه کرد. سپس از طریق این قوانین، آینده سیستم را به­صورت فضایی مدل­سازی نمود (11 و 12).

CA به­عنوان روشی با پویایی زمانی- مکانی می­تواند تغییرات را در فضای دوبعدی شبیه­سازی کند. این روش به­صورت گسترده­ای در بسیاری از زمینه­های جغرافیایی، خصوصاً به­منظور پیش­بینی رشد شهر و تغییرات کاربری سرزمین به­کار برده شده است (13). زنجیره مارکوف توسط یک ریاضی‌دان روسی به نام A.Markov در سال 1907 ارایه شده است. زنجیره مارکوف از مجموعه­ای مقادیر احتمال تشکیل شده که احتمال تبدیل کاربری­ها به هم را در یک فاصله زمانی، وابسته به مقدار تغییر در گذشته نشان می­دهد. به­صورت تئوری قسمت معینی از زمین ممکن است در هر زمان از یک گروه کاربری زمین به هر گروه دیگر تبدیل شود (14). تحلیل زنجیره مارکوف از ماتریس­هایی جهت تحلیل تمامی تغییرات کاربری زمین میان تمامی گروه­های موجود منحصر به فرد، جهت نمایش کاربری­های زمین بهره می­برد. معادله این زنجیره با استفاده از توزیع کاربری زمین در ابتدا (Mt) و انتهای یک دوره زمانی گسسته (Mt+1) و نیز یک ماتریس انتقال (MLC) که نشان دهنده نحوه تغییراتی است که در طول دوره زمانی مورد نظر رخ داده است، ایجاد می‌گردد. باتوجه به این فرض، تغییر کاربری در قطعه­ای از سرزمین، براساس احتمالات محاسبه شده در ماتریس انتقال محاسبه می­گردد (15). (شکل2).

 

 

شکل 2-  نمایی از یک ماتریس انتقال

Figure 2- Perspective of a transfer matrix

یکی از اساسی­ترین فرضیات زنجیره، تصادفی بودن تغییرات در پوشش اراضی است، در این هنگام طبقات مختلف به­عنوان حالت­های یک زنجیره درنظر گرفته می‌شوند (16). مشکل اصلی استفاده از زنجیره مارکوف در تحلیل­های مکانی عدم وجود و قابلیت این زنجیره در اختصاص مکانی تغییرات است. به عبارت دیگر زنجیره مارکوف در پیش­بینی مقادیر تغییرات موثر است اما در استخراج موقعیت مکانی این تغییرات توانمند نیست. برای حل این مشکل راه­های مختلفی وجود دارد که استفاده از شبکه خودکار به همراه نتایج تحلیل زنجیره مارکوف یکی از راه­های حل مشکل مکانی این تحلیل­ها است. شبکه خودکار از مقادیر مربوط به میزان تغییر که از تحلیل مارکوف استخراج گردیده استفاده کرده و موقعیت­های محتمل برای این تغییرات را استخراج می­کند.

در این مطالعه از تصویر ماهواره LANDSAT سنجنده TM در سال 1989 میلادی و تصویر سنجنده LISS3 ماهواره IRS مربوط به سال 2008 میلادی استفاده شد. در زمان انتخاب تصویر برای کاهش خطا تلاش گردید تا تصاویر مربوط به یک بازه زمانی نزدیک به هم، در فصل رویش انتخاب شوند و به همین علت هر دو تصویر از ماه ژوئن انتخاب گردید.

جهت تصحیح هندسی یک تصویر، لازم است از یک نقشه مرجع یا تصویری که قبلا تصحیحات روی آن انجام گرفته و دارای سیستم مختصات مناسب می باشد استفاده شود. برای این منظور با استفاده از نرم افزار Arc GIS 9.3، تصحیح هندسی تصاویر ETM با استفاده از نقشه توپوگرافی 1:25000 منطقه انجام گرفته است. ابتدا موقعیت 300 نقطه برروی نقشه مشخص و سپس موقعیت همان نقاط بر روی تصویر منتقل شده است. در این راستا سعی گردیده است که نقاط مذکور از پراکنش خوبی برخوردار بوده و بیشتر از محل‌های مشخص استفاده شود. زیرا در بعضی موارد به علت مسطح بودن و همگن بودن منطقه، عوارض به خوبی قابل تشخیص نبوده‌اند. در نهایت پس از انتخاب نقاط با استفاده از معادله چند جمله‌ای خطی و روش نمونه گیری از نوع نزدیکترین همسایه، تصحیح هندسی انجام گرفت. برای این منظور سعی شد که مقدار RMSE خطا به کمترین میزان برسد و برای این امر تعدادی از نقاط که خطای زیادی را نشان می‌دادند، حذف شدند، به طوری که در نهایت با 280 نقطه کنترل زمینی مقدار خطای RMSE (خطای مجذور میانگین مربعات) به 18/0 رسید. پس از اصلاح تصاویرTM ، تصحیح هندسی تصاویر LISS3 با استفاده از روش تصویر به  تصویر با 300 نقطه کنترل زمینی وخطای 16/0 انجام گرفت.

سپس با استفاده از نرم افزار ERDAS 9.3 و نقشه محدوده استان، تصاویر ماهواره برش داده شد و تصویر هر باند در تمامی تصاویر برای محدوده مورد مطالعه تهیه گردید. با استفاده از شیوه­های مناسب بارزسازی تصایر ماهواره‌ای درک بهتری از منطقه و پدیده­های آن حاصل می­شود. یکی از عمومی‌ترین و کاربردی‌ترین روش­ها در این زمینه، استفاده از باندهای قرمز، سبز و آبی در ایجاد تصویر رنگی کاذب (False Color Composite) می‌باشد. این تصاویر از ترکیب حداقل سه باند تصویر در محدوده طیفی رنگی (Blue, Green, Red) RGB به وجود می‌آیند که پس از آشکار سازی با روش‌های موجود، پدیده های زمینی با وضوح قابل اعتمادتری در آن­ها قابل تفسیر و تعبیر می شوند (17). در این مطالعه نیز از ترکیب باندهای 4، 3 و 2 با توجه به عامل مطلوبیت و مشاهده بصری استفاده شد.

با توجه به بازدید­های انجام گرفته از منطقه و تفاوت بازتابی تصاویر ماهواره­ای و نیز پژوهش­های انجام گرفته مشابه، هفت طبقه کاربری/پوشش برای منطقه مورد مطالعه تعریف گردید (جدول1).

 

جدول 1- انواع کاربری/پوشش مورد استفاده در طبقه بندی

Table 1- Landuse/land cover used in categorisation

کد کاربری

نوع کاربری

1

اراضی کوهپایه­ای- صخره­ای

2

اراضی مرتعی

3

اراضی کشاورزی

4

درخت­زار

5

مناطق مسکونی و صنعتی

6

پهنه های آبی

7

اراضی بایر

 

سپس با استفاده از نرم افزار15   IRDISI،به روش طبقه بندی نظارت شده با الگوریتم حداکثر احتمال، نقشه کاربری- پوشش اراضی برای محدوده مورد مطالعه در طی دو سال مورد نظر تهیه گردید (شکل‌های 3 و 4).  در روش حداکثر احتمال، احتمال تعلق پیکسل‌ها به هر یک از طبقات محاسبه و بر اساس بالاترین میزان احتمال، عمل طبقه بندی و اختصاص پیکسل ها به طبقات صورت می‌گیرد. در این شیوه که روشی آماری جهت طبقه بندی است، طبقات در هنگام اجرای صحیح این شیوه باید از توزیع نرمال برخوردار باشند. این طبقه‌بندی کننده نیاز به زمان محاسبه ی طولانی‌تری دارد ولی در مجموع نتایج بهتری ارایه می‌دهد (18).

 

 

 

 

 

شکل 3- نقشه پوشش- کاربری اراضی استان همدان در سال 1368

Figure 3- Landuse/land cover map of Hamedan province in 1989

 

 

 

 

 

 

شکل 4- نقشه پوشش- کاربری اراضی استان همدان در سال1387

Figure 4- Landuse/land cover map of Hamedan province in 2008

 


سپس با استفاده از نرم افزار IDRISI 15 و روش مارکوف با توجه به دو نقشه کاربری- پوشش اراضی به دست آمده، ماتریس احتمال انتقال کاربری­ها به یک دیگر محاسبه شد(جدول 2). این ماتریس، احتمال تغییر هر طبقه پوشش یا کاربری به سایر طبقات را نشان می­دهد (19). در ماتریس مذکور ردیف­ها نشان­دهنده طبقات پوشش/کاربری اراضی قدیمی­تر و ستون­ها نشان­دهنده طبقات پوششی جدیدتر هستند. در ادامه برای مکانی کردن این تغییرات از روش شبکه خودکار استفاده گردید و نقشه پوشش- اراضی استان همدان برای 19 سال بعد یعنی سال 1407 به دست آمد (شکل 5).

 

 

جدول 2- ماتریس احتمال انتقال کاربری-پوشش اراضی به یک­ دیگر

Table 2- Transfer matrix of landuse/landcover change

اراضی بایر

پهنه‌های آبی

مناطق مسکونی و صنعتی

درختزار

اراضی کشاورزی

اراضی مرتعی

اراضی کوهپایه ای-صخره ای

طبقات کاربری

328/0

001/0

060/0

045/0

24/0

04/0

291/0

اراضی کوهپایه ای-صخره ای

358/0

0003/0

032/0

032/0

40/0

135/0

054/0

اراضی مرتعی

255/0

0006/0

069/0

043/0

401/0

061/0

170/0

اراضی کشاورزی

284/0

002/0

080/0

333/0

214/0

045/0

042/0

درختزار

350/0

001/0

312/0

033/0

196/0

055/0

053/0

مناطق مسکونی و صنعتی

011/0

817/0

00/0

084/0

030/0

00/0

057/0

پهنه های آبی

358/0

0004/0

060/0

033/0

320/0

160/0

068/0

اراضی بایر

 

 

نتایج


به منظور برآورد صحت نقشه کاربری اراضی سال 1989 میلادی از عکس­های هوایی سال 1989 که توسط سازمان نقشه برداری کشور تهیه شده بود، استفاده شد و بر این اساس صحت کل برابر با 7/85 %  با ضریب کاپای برابر با 1/82% به دست آمد که میزان قابل قبولی می‌باشد و صحت کل نقشه کاربری اراضی سال 2008 میلادی نیز با استفاده از برداشت زمینی بوسیله GPS برابر با 67/88%  با ضریب کاپای 4/86% تعیین شد که این میزان صحت نیز در سطح قابل قبول قرار دارد. با مبنا قرار دادن نقشه کاربری – پوشش اراضی استان همدان در سال 1387 و با استفاده از ماتریس احتمال انتقال به روش شبکه خودکار، نقشه پوشش- کاربری اراضی محدوده مورد مطالعه در سال 1406 به دست آمد (شکل 5).

 

 

شکل 5-  نقشه پوشش- کاربری اراضی پیش بینی شده برای استان همدان در سال 1406

Figure 5- Predicted landuse/land cover map of Hmedan province for 2027

 

جدول3- مساحت طبقات پوشش/ کاربری اراضی استان همدان در سال‌های مورد مطالعه

Table 3- the area of landuse/land cover classes of Hamedan province in studied years

 

 1368

مساحت (هکتار)

1387

مساحت (هکتار)

1406

مساحت (هکتار)

اراضی کوهپایه­ای-صخره­ای

81/715176

85/376650

45/336550

اراضی مرتعی

94/539697

28/149622

05/119415

اراضی کشاورزی

95/204618

02/546516

31/574435

درختزار

76/49199

41/62085

43/61472

مسکونی

49/74480

12/224114

56/263244

پهنه­های آب

58/23

12/1356

83/1500

اراضی بایر

19/375858

35/598699

12/602437

 

 

 

با توجه به نقشه­های حاصل، مساحت طبقات پوشش- کاربری اراضی در هر سه سال مورد مطالعه به دست آمد(جدول 3). شکل (6) مقایسه مساحت هریک از این طبقات در سه سال مورد بررسی را نشان می­دهد.

 

 

 

شکل 6- مقایسه مساحت طبقات پوشش-کاربری اراضی استان همدان در سه دوره مورد مطالعه

Figure 6-Comparison of landuse/ land cover classes area of Hamedan prvince in three studied time periods

 

 

بحث و نتیجه گیری


با پیش­بینی تغییرات پوشش و کاربری سرزمین، می­توان میزان گسترش و تخریب منابع را مشخص و این تغییرات را در مسیرهای مناسب هدایت کرد. فرآیند مارکوف در جایی استفاده می­شود که وضعیت آینده یک سیستم را بتوان به صورت کلی براساس وضعیت ماقبل مدل­سازی کرد. آنالیز زنجیره مارکوف تغییرات پوشش و کاربری را از یک دوره زمانی به دوره زمانی دیگر توصیف می­کند و مبنایی برای پیش­بینی تغییرات آینده سیستم فراهم می­نماید. در این آنالیز ماتریسی از تغییرات کاربری اراضی از زمان t به کاربری دیگر در زمان t+1 تولید می­شود.

مدل­های مبتنی بر شبکه خودکار از توانایی بالایی در نشان دادن فرآیندهای غیر خطی مکانی چون تغییرات کاربری/پوشش سرزمین برخوردار هستند (20) و مطالعات به­کار رفته در این زمینه بیان­گر توانایی این دسته از مدل­ها در شبیه­سازی توسعه و تغییرات پوشش/کاربری سرزمین است (13، 16 و 21).

براساس نتایج حاصل از مدل­سازی تغییرات پوشش- کاربری اراضی در استان همدان می توان بیان کرد که در دو طبقه شامل اراضی کوهپایه­ای- صخره­ای و اراضی مرتعی موجود در سطح این استان روند کاهشی که از گذشته وجود داشته است در سال­های آینده نیز ادامه خواهد داشت. با توجه به این که این طبقات جز طبقات پوشش- کاربری اراضی طبیعی هستند، این روند کاهشی نشان دهنده تبدیل این طبقات طبیعی به کاربری‌های انسانی خواهد بود. با توجه به افزایش جمعیت، افزایش نیاز انسان به زمین و نیز تمایل انسان به بهره برداری از طبیعت، وقوع چنین تبدیلاتی قابل تصور است اما باید روند این تغییرات مورد توجه قرار بگیرد تا منابع طبیعی منطقه به شیوه پایدار مورد بهره برداری قرار بگیرند و این تغییرات منجر به نتایج وخیمی نگردد.

چهار طبقه دیگر پوشش- کاربری شامل اراضی کشاورزی، مناطق مسکونی و صنعتی، پهنه­های آبی و اراضی بایر در طول دوره مورد مطالعه روند افزایشی داشته­اند و این مدل­سازی نشان می­دهد که این روند در سال­های آینده نیز ادامه خواهد داشت و بیشترین افزایش در اراضی بایر و اراضی کشاورزی است. در طی دوره مورد مطالعه بخش وسیعی از طبقات با پوشش طبیعی به اراضی کشاورزی تبدیل شده­اند. با توجه به این که در بخش کشاورزی این منطقه تغییرات زیادی به وجود آمده و کشاورزی منطقه به سوی مکانیزه شدن پیش رفته، این تغییرات دوراز ذهن نیست. در طی سال­های گذشته بخش وسیعی از اراضی مرتعی و اراضی کوهپایه‌ای به زیر کشت رفته و با توجه به این که اراضی تغییر یافته توان کافی برای کاربری کشاورزی را نداشته‌اند پس از گذشت چند سال رها شده­اند و این امر موجب افزایش اراضی بایر در سطح منطقه شده است. با توجه به این امر که این روند در آینده نیز ادامه خواهد داشت ضروری است که با یک مدیریت صحیح از تخریب اراضی مرتعی و کوهپایه‌ای که جز اموال ملی به حساب می­آیند جلوگیری شود. پهنه­های آبی منطقه مورد مطالعه نیز در طی این سال­ها در حال افزایش بوده­اند که این امر در اثر احداث و آبگیری سدهایی در سطح منطقه ایجاد شده است. مناطق مسکونی و صنعتی نیز در طی دوره مورد مطالعه و سال­های آتی رو به افزایش خواهد بود که این موضوع از یک سو ناشی از افزایش جمعیت و نیاز به مسکن و از سوی دیگر، نتیجه احداث مناطق و شهرک­های صنعتی در سطح منطقه خواهد بود.

 

منابع

  1. Coppin P I., Jonckheere K., Nackaerts B., Muys. 2004. Digital change detection methods in ecosystem monitoring: a review. Remote Sensing, VOL. 25, NO. 9, 1565–1596.
  2. Milne A. K. 1988. Change direction analysis using Landsat imagery: a review of methodology. Proceedings of the IGARSS’88 Symposium Edinburgh, Scotland, ESA SP-284 (Noordwijk, Netherlands: ESA): 541–544.
  3. Lund H. G. 1983. Change now you see it—now you don’t. Proceedings of the International Conference on Renewable Resource Inventories for Monitoring Changes and Trends, Oregon State University, Corvallis, OR, USA (Corvallis, OR: Oregon State University). 211–213.
  4. LU D. S., Mausel P., Brondizio E. S., Moran E. 2004. Change detection techniques. International journal of remote sensing, Washington, DC. Vol, 25, NO. 12, 2365–2407.
  5. Turner, B. L. and Meyer, W. B. 1991. Land use and land cover in global environmental change: considerations for study. International Social Sciences Journal, No,130, 669–667.
  6. Candau J.T. 2002. Temporal Calibration Sensitivity of the SLEUTH Urban Growth Model. MSc Thesis. Santa Barbara University. 116pp.
  7. Soffianian, A., M. A. Nadoushan, L. Yaghmaei and S. Falahatkar. 2010 Mapping and analyzing urban expansion using remotely sensed imagery in Isfahan, Iran, World Applied Sciences Journal, Vol 9(12), 1370-1378.
  8. Sarvestani, M., A. Latifi Ibrahim and P. Kanaroglou. 2011. Three decades of urban growth in the city of Shiraz, Iran: A remote sensing and geographic information systems application. Cities, Vol, 28(4), 320-329.
  9. Singh A. K. 2003. Modeling Landuse Landcover Changes using Cellular automata in geo-spatial Environment. MSc Thesis ITC. Netherland.58pp.
  10. Torrens P.M. 2000. Cellular Automata and Urban Simulation: Where do we go from here, Environment and Planning,Vol, 28. No, 3, 163-168.
  11. Stevens D., Dragicevic S., Rothley K: iCity. 2007. A GIS-CA modeling tool for urban planning and decision making”, Environmental Modeling & Software, Vol, 22, 761-773
  12. Ye, B. and Bai, Z. 2008. Simulation land use/ cover changes of Nenjiang country based on CA Markov model, Computer and Computing Technologies in Agriculture, Vol. 1, 321–329.
  13. Muller M. R., J. Middleton. 1994. A Markov model of land-use change dynamics in the Niagara Region, Ontario, Canada. Landscape Ecology, pp. 151-157.
  14. Brown D. G., Pinjanowski B. C., Duh J. D. 2000. Modeling the relationship between landuse and landcover on private lands in the upper Midwest. Journal of environmental management. Vol, 59, 247-263.
  15. یمانی. م، مزیدی. ا، 1386،  بررسی تغییرات سطح و پوشش گیاهی کویر سیاه­کوه با استفاده از داده­های سنجش از دور، پژوهش های جغرافیایی، شماره 64، صص 1-12.
  16. Tso B., Mather P. M. 2001. Classification methods for remotely sensed data. Taylor and Francis. New York.
  17. ماهینی. ع و کامیاب. ح، 1388، سنجش از دور و سامانه های اطلاعات جغرافیایی کاربردی با نرم افزار ایدریسی، انتشارات مهر مهدیس، تهران ،582 ص.
  18. Batty M., Xie Y., Sun Z. 1999. Modeling urban dynamics through GIS- based cellular automata. Computers, Environment and Urban Systems: Vol, 23, 205-233.
  1. شیخ گودرزی. م، علیزاده شعبانی. ا، سلمان ماهینی. ع. ر. و فقهی. ج، 1391، بررسی آثار ناشی از توسعه شهر بر مطلوبیت پهنه‌های حفاظتی با رویکرد سیمای سرزمین (مطالعه موردی: حوزه آب­خیز گرگان­رود). اکولوژی کاربردی. شماره 1، صص43- 30.
  2. بابایی اقدم. ف، و ابراهیم‌زاده. ح، 1390، مدل­سازی تغییرات کاربری اراضی زراعی و بایر سطوح ساخته شده در منطقه شهری اردبیل با استفاده از مدل CLUE_S، جغرافیا و توسعه، شماره 26، صص 34-21.
  1. Yaung G., Li X., Shi X. 2008. Cellular automata for simulating landuse changes based on support vector machines. Computers & geosciences: Vol, 34, 592-602.

 

 



1- دانشجوی دکتری محیط زیست، گروه علوم کشاورزی و منابع طبیعی، دانشگاه گرگان، ایران* (مسوول مکاتبات).

2- دانشیار گروه محیط زیست، دانشکده منابع طبیعی دانشگاه تهران، تهران، ایران.

3- دانشیار گروه جنگل­داری و اقتصاد جنگل، دانشکده منابع طبیعی دانشگاه تهران. تهران، ایران.

4- کارشناس ارشد سنجش ازدور سازمان فضایی ایران.

[5]- Ph.D of Environmental Sciences, Department of Agricultural Sciences and Natural Resources, Gorgan-University, Gorgan, Iran*(Corresponding Author).

[6]-Associate Professor Department of Environmental Sciences, Faculty of Natural Resources, Tehran University, Tehran, Iran.

[7]- Associate Professor Department of foresty and forest Economics, Faculty of Natural Resources, Tehran University, Tehran, Iran.

[8]- MSc of remote sensing in Iranian Space Agency, Iran.

[9]- Conversion of land use and its effects in small scale extend

  1. Coppin P I., Jonckheere K., Nackaerts B., Muys. 2004. Digital change detection methods in ecosystem monitoring: a review. Remote Sensing, VOL. 25, NO. 9, 1565–1596.
  2. Milne A. K. 1988. Change direction analysis using Landsat imagery: a review of methodology. Proceedings of the IGARSS’88 Symposium Edinburgh, Scotland, ESA SP-284 (Noordwijk, Netherlands: ESA): 541–544.
  3. Lund H. G. 1983. Change now you see it—now you don’t. Proceedings of the International Conference on Renewable Resource Inventories for Monitoring Changes and Trends, Oregon State University, Corvallis, OR, USA (Corvallis, OR: Oregon State University). 211–213.
  4. LU D. S., Mausel P., Brondizio E. S., Moran E. 2004. Change detection techniques. International journal of remote sensing, Washington, DC. Vol, 25, NO. 12, 2365–2407.
  5. Turner, B. L. and Meyer, W. B. 1991. Land use and land cover in global environmental change: considerations for study. International Social Sciences Journal, No,130, 669–667.
  6. Candau J.T. 2002. Temporal Calibration Sensitivity of the SLEUTH Urban Growth Model. MSc Thesis. Santa Barbara University. 116pp.
  7. Soffianian, A., M. A. Nadoushan, L. Yaghmaei and S. Falahatkar. 2010 Mapping and analyzing urban expansion using remotely sensed imagery in Isfahan, Iran, World Applied Sciences Journal, Vol 9(12), 1370-1378.
  8. Sarvestani, M., A. Latifi Ibrahim and P. Kanaroglou. 2011. Three decades of urban growth in the city of Shiraz, Iran: A remote sensing and geographic information systems application. Cities, Vol, 28(4), 320-329.
  9. Singh A. K. 2003. Modeling Landuse Landcover Changes using Cellular automata in geo-spatial Environment. MSc Thesis ITC. Netherland.58pp.
  10. Torrens P.M. 2000. Cellular Automata and Urban Simulation: Where do we go from here, Environment and Planning,Vol, 28. No, 3, 163-168.
  11. Stevens D., Dragicevic S., Rothley K: iCity. 2007. A GIS-CA modeling tool for urban planning and decision making”, Environmental Modeling & Software, Vol, 22, 761-773
  12. Ye, B. and Bai, Z. 2008. Simulation land use/ cover changes of Nenjiang country based on CA Markov model, Computer and Computing Technologies in Agriculture, Vol. 1, 321–329.
  13. Muller M. R., J. Middleton. 1994. A Markov model of land-use change dynamics in the Niagara Region, Ontario, Canada. Landscape Ecology, pp. 151-157.
  14. Brown D. G., Pinjanowski B. C., Duh J. D. 2000. Modeling the relationship between landuse and landcover on private lands in the upper Midwest. Journal of environmental management. Vol, 59, 247-263.
  15. یمانی. م، مزیدی. ا، 1386،  بررسی تغییرات سطح و پوشش گیاهی کویر سیاه­کوه با استفاده از داده­های سنجش از دور، پژوهش های جغرافیایی، شماره 64، صص 1-12.
  16. Tso B., Mather P. M. 2001. Classification methods for remotely sensed data. Taylor and Francis. New York.
  17. ماهینی. ع و کامیاب. ح، 1388، سنجش از دور و سامانه های اطلاعات جغرافیایی کاربردی با نرم افزار ایدریسی، انتشارات مهر مهدیس، تهران ،582 ص.
  18. Batty M., Xie Y., Sun Z. 1999. Modeling urban dynamics through GIS- based cellular automata. Computers, Environment and Urban Systems: Vol, 23, 205-233.
  1. شیخ گودرزی. م، علیزاده شعبانی. ا، سلمان ماهینی. ع. ر. و فقهی. ج، 1391، بررسی آثار ناشی از توسعه شهر بر مطلوبیت پهنه‌های حفاظتی با رویکرد سیمای سرزمین (مطالعه موردی: حوزه آب­خیز گرگان­رود). اکولوژی کاربردی. شماره 1، صص43- 30.
  2. بابایی اقدم. ف، و ابراهیم‌زاده. ح، 1390، مدل­سازی تغییرات کاربری اراضی زراعی و بایر سطوح ساخته شده در منطقه شهری اردبیل با استفاده از مدل CLUE_S، جغرافیا و توسعه، شماره 26، صص 34-21.
  1. Yaung G., Li X., Shi X. 2008. Cellular automata for simulating landuse changes based on support vector machines. Computers & geosciences: Vol, 34, 592-602.